ALLGEMEINER STAND DER TECHNIKGENERAL STATE OF THE ART
Gebiet der ErfindungField of the invention
Die vorliegende Erfindung betrifft ein Diagnosegerät.The present invention relates to a diagnostic device.
Beschreibung des Stands der TechnikDescription of the prior art
An einer Fertigungsstätte wie etwa einer Fabrik ist ein Gerät zum Diagnostizieren des Betriebszustands einer Industriemaschine wie etwa eines Roboters oder einer Werkzeugmaschine, die an einer Fertigungsstraße eingerichtet ist, eingebracht, um den Betriebszustand der Industriemaschine zu überwachen und zu verhindern, dass die Fertigungsstraße anhält, und um die Fertigungsstraße unverzüglich wiederherstellen zu können, wenn die Fertigungsstraße angehalten wurde.At a manufacturing site such as a factory, a device for diagnosing the operating state of an industrial machine such as a robot or a machine tool installed on a production line is installed to monitor the operating state of the industrial machine and prevent the production line from stopping, and to be able to restore the production line immediately if the production line has stopped.
Das Gerät zum Diagnostizieren des Betriebszustands der Industriemaschine überwacht über ein Netzwerk zum Beispiel Daten wie eine Position, eine Geschwindigkeit und ein Drehmoment eines Motors, die bei einer jeweiligen Industriemaschine detektiert wurden, und über das Netzwerk Daten wie ein Geräusch und ein Bild, die durch einen an der Industriemaschine angebrachten Sensor detektiert wurden, und diagnostiziert, dass bei dem Betrieb der Industriemaschine eine Anomalie aufgetreten ist, wenn in den überwachten Daten eine Tendenz besteht, die eine Anomalie anzeigt (siehe insbesondere JP 6453504 B1 und JP 2019-012476 A1). Damit das Diagnosegerät eine derartige Diagnose vornehmen kann, ist es nötig, vorab ein vorherbestimmtes Modell zur Bestimmung, ob der Betrieb der Industriemaschine normal oder abnormal ist, zu erzeugen.The device for diagnosing the operating state of the industrial machine monitors via a network, for example, data such as a position, a speed and a torque of a motor that have been detected in each industrial machine, and via the network data such as a sound and an image transmitted by a sensor attached to the industrial machine have been detected and diagnosed that an abnormality has occurred in the operation of the industrial machine when there is a tendency in the monitored data to indicate an abnormality (see in particular JP 6453504 B1 and JP 2019-012476 A1). In order for the diagnostic apparatus to make such diagnosis, it is necessary to generate a predetermined model for determining whether the operation of the industrial machine is normal or abnormal in advance.
Beispiele für das Modell zur Bestimmung der Normalität/Abnormalität des Betriebs der Industriemaschine umfassen (1) ein Modell zu Bestimmung, wie nahe man einer Datengruppe, die detektiert wurde, als sich die Industriemaschine in einem abnormalen Betrieb befand, kommt, (2) ein Modell zur Bestimmung, wie weit man von Grenzen von Datengruppen, die jeweils während eines normalen Betriebs/eines abnormalen Betriebs erlangt wurden, entfernt ist, und (3) ein Modell zur Bestimmung, wie weit man von einer Datengruppe, die detektiert wurde, als sich die Industriemaschine in einem normalen Betrieb befand, entfernt ist. Im Fall der Modelle (1) und (2) ist es nötig, Daten zu detektieren und zu speichern, während sich die Industriemaschine in einem abnormalen Betrieb befindet. Doch ein abnormaler Betrieb der Industriemaschine ist in vielen Fällen mit einer Störung verbunden, weshalb eine Sammlung von Daten, die zur Erzeugung eines Modells zur Bestimmung nötig sind, schwierig ist. Im Gegensatz dazu kann das Diagnosegerät die Daten im Fall des Modells (3) verhältnismäßig leicht sammeln, da die Daten detektiert und gespeichert werden können, während sich die Industriemaschine im normalen Betrieb befindet.Examples of the model for determining the normality / abnormality of the operation of the industrial machine include (1) a model for determining how close to get to a data group that was detected when the industrial machine was in abnormal operation, (2) a model for determining how far one is from boundaries of data groups each acquired during normal / abnormal operation, and (3) a model for determining how far one is from a data group that was detected when the Industrial machine in normal operation is removed. In the case of models (1) and (2), it is necessary to detect and store data while the industrial machine is in abnormal operation. However, abnormal operation of the industrial machine is associated with malfunction in many cases, and it is therefore difficult to collect data necessary for generating a model for determination. In contrast, in the case of the model (3), the diagnostic device can collect the data relatively easily because the data can be detected and stored while the industrial machine is in normal operation.
Wenn das Diagnosegerät eine Betriebsbestimmung auf Basis einer Datengruppe vornimmt, während sich die Industriemaschine im normalen Betrieb befindet, muss eine Datengruppe, die gesammelt wurde, um ein Bestimmungsmodell festzulegen, bis zu einem gewissen Grad einen gesamten Bereich, in dem sich die Industriemaschine im normalen Betrieb befindet, abdecken. Um dies zu erläutern, ist in 8A und 8B ein einfaches Beispiel dargestellt. Beispielsweise wird die Festlegung eines Modells zur Bestimmung der Normalität/Abnormalität der Industriemaschine unter Verwendung von Positionsdaten und Drehmomentdaten des Motors, die erlangt wurde, als sie die Maschine im normalen Betrieb befand, betrachtet. Es ist zu beachten, dass in 8A und 8B Daten, die durch das Diagnosegerät während des normalen Betriebs detektiert wurden, durch Punkte D1 angegeben sind, ein eigentlicher Bereich der Daten, die während des normalen Betriebs detektiert werden, innerhalb einer Umrahmung durch eine durchgehende Linie D2 angegeben ist, und ein erwarteter Bereich von Daten, die während des normalen Betriebs detektiert werden innerhalb einer Umrahmung durch eine gestrichelte Linie D3 angegeben ist.If the diagnostic device makes an operational determination based on a data group while the industrial machine is in normal operation, a data group that has been collected in order to establish a determination model must, to some extent, cover an entire area in which the industrial machine is in normal operation located, cover. To explain this, see 8A and 8B shown a simple example. For example, consideration is given to setting a model for determining the normality / abnormality of the industrial machine using position data and torque data of the motor obtained when the machine was in normal operation. It should be noted that in 8A and 8B Data detected by the diagnostic apparatus during normal operation are indicated by points D1, an actual area of the data detected during normal operation is indicated within a box by solid line D2, and an expected area of data that are detected during normal operation is indicated within a frame by a dashed line D3.
Wenn sich nun wie in 8A und 8B dargestellt ein Satz von Positionsdaten und Drehmomentdaten, die von einem Motor einer Industriemaschine detektiert wurden, innerhalb des Kreises mit der durchgehenden Linie befindet, wird angenommen, dass der Betrieb der Industriemaschine normal ist. Um ein solches Modell maschinell auf Basis der Daten, die während des normalen Betriebs erlangt wurden, zu erzeugen, wird ein Satz von Positionsdaten und Drehmomentdaten des Motors während des normalen Betriebs der Industriemaschine gesammelt. Als Ergebnis ist es wie in 8A dargestellt dann, wenn die Daten so erlangt werden können, dass sie den gesamten eigentlichen Bereich abdecken, möglich, maschinell ein Modell vorherzusagen, das dicht an dem eigentlichen Bereich D2 der Daten D1, die während des normalen Betriebs detektiert werden, liegt. Doch wenn wie in 8B dargestellt nur Daten, die von dem eigentlichen Bereich abweichen, erlangt werden können, kann nur ein Zustand, der weit von dem eigentlichen Bereich der Daten, die während des normalen Betriebs detektiert wurden, entfernt ist (das heißt, der Bereich D3), maschinell vorhergesagt werden, wie durch den gestrichelten Kreis in 8B angegeben ist.If, as in 8A and 8B If a set of position data and torque data detected by a motor of an industrial machine is shown within the circle with the solid line, it is assumed that the operation of the industrial machine is normal. In order to machine such a model based on the data obtained during normal operation, a set of position data and torque data of the motor is collected during normal operation of the industrial machine. As a result, it is like in 8A If the data can be obtained so as to cover the entire actual area, it is possible to machine predict a model that is close to the actual area D2 of the data D1 detected during normal operation. But if like in 8B As shown, only data deviating from the actual area can be obtained, only a state far from the actual area of the data detected during normal operation (i.e., the area D3) can be predicted by machine as indicated by the dashed circle in 8B is specified.
In 8A und 8B ist ein vergleichsweise einfaches Beispiel dargestellt. Doch wenn das Diagnosegerät die Normalität/Abnormalität des Betriebs der Industriemaschine in der Praxis auf Basis eines Veränderungsmusters von Zeitreihendaten wie etwa einer Position, eines Drehmoments oder eines Geräuschs bestimmt, wird das Problem komplizierter. Ein ähnliches Problem tritt zum Beispiel auch im Fall der Verwendung eines unüberwachten Lernens, bei dem es sich um eines der Schemata für das maschinelle Lernen handelt, in der Form eines Überlernens oder einer Konvergenz zu einer lokalen Lösung auf.In 8A and 8B a comparatively simple example is shown. However, if the diagnostic equipment indicates the normality / abnormality of operation of the industrial machine in practice is determined based on a change pattern of time series data such as a position, a torque or a noise, the problem becomes more complicated. A similar problem also arises, for example, in the case of using unsupervised learning, which is one of the machine learning schemes, in the form of over-learning or convergence to a local solution.
Zur Lösung eines solchen Problems ist es möglich, ein Verfahren in Betracht zu ziehen, bei dem die Gültigkeit eines erzeugten Modells überprüft wird und im Fall der Erzeugung eines ungültigen Modells erneut Daten gewählt werden, um erneut ein anderes Modell zu erzeugen. Wenn nun Daten, die während eines normalen und eines abnormalen Betriebs der Industriemaschine detektiert wurden, gesammelt sind, können die gesammelten Daten in Modellerzeugungsdaten und Überprüfungsdaten geteilt werden, um ein Modell, das durch die Modellerzeugungsdaten erzeugt wurde, mittels der Überprüfungsdaten zu überprüfen. Doch wenn nur Daten, die während eines normalen Betriebs der Industriemaschine detektiert wurden, gesammelt sind, wird die Gültigkeit der Teilung im Fall einer Teilung der Daten in Modellerzeugungsdaten und Überprüfungsdaten mit einer bestimmten Wahrscheinlichkeit zu einem Problem. Und da keine Daten während eines abnormalen Betriebs vorhanden sind, kann die Reaktion des erzeugten Modells auf abnormale Daten nicht überprüft werden.To solve such a problem, it is possible to consider a method in which the validity of a generated model is checked and, in the case of generation of an invalid model, data is selected again to generate another model again. Now, when data detected during normal and abnormal operations of the industrial machine are collected, the collected data can be divided into model generation data and verification data to verify a model generated by the model generation data using the verification data. However, when only data detected during normal operation of the industrial machine is collected, the validity of division becomes a problem in the case of dividing the data into model generation data and verification data with a certain probability. And since there is no data during abnormal operation, the response of the generated model to abnormal data cannot be checked.
KURZDARSTELLUNG DER ERFINDUNGSUMMARY OF THE INVENTION
Daher wird ein Verfahren zur Überprüfung der Gültigkeit eines Modells, das unter Verwendung normaler Daten, die während des normalen Betriebs detektiert wurden, erzeugt wurde, gewünscht.Therefore, a method of checking the validity of a model generated using normal data detected during normal operation is desired.
Zur Überprüfung der Gültigkeit eines Modells, das unter Verwendung normaler Daten erzeugt wurde, erzeugt ein Diagnosegerät nach der Erfindung abnormale Daten, die durch Hinzufügen einer erwarteten Veränderung zu normalen Daten erhalten werden, und verwendet dann die erzeugten abnormalen Daten, um die Gültigkeit des Modells zu überprüfen, wodurch das obige Problem gelöst wird.In order to check the validity of a model generated using normal data, a diagnostic apparatus according to the invention generates abnormal data obtained by adding an expected change to normal data, and then uses the generated abnormal data to confirm the validity of the model check, which solves the above problem.
Nach der Erfindung weist das Diagnosegerät zum Diagnostizieren eines Betriebszustands einer Industriemaschine eine Datenerlangungseinheit zum Erlangen normaler Daten im Zusammenhang mit einem Betriebszustand während eines normalen Betriebs der Industriemaschine; eine Erlangte-Daten-Speichereinheit zum Speichern der normalen Daten, die durch die Datenerlangungseinheit erlangt wurden; eine Lerneinheit zum Erzeugen eines Lernmodells durch ein Lernen auf Basis der normalen Daten, die in der Erlangte-Daten-Speichereinheit gespeichert wurden; eine Bewertungseinheit zum Durchführen eines Bewertungsprozesses hinsichtlich der Normalität oder Abnormalität eines Betriebs der Industriemaschine unter Verwendung des Lernmodells; eine Überprüfungsdatenerzeugungseinheit zum Erzeugen von Überprüfungsdaten, die wenigstens ein abnormales Datenelement enthalten, auf Basis der normalen Daten, die in der Erlangte-Daten-Speichereinheit gespeichert wurden; und eine Überprüfungseinheit zum Überprüfen der Gültigkeit des Lernmodells nach Erhalt des Ergebnisses eines Bewertungsprozesses, der durch die Bewertungseinheit unter Verwendung des Lernmodells auf Basis der Überprüfungsdaten durchgeführt wurde, auf.According to the invention, the diagnostic device for diagnosing an operating state of an industrial machine has a data acquisition unit for acquiring normal data in connection with an operating state during normal operation of the industrial machine; an acquired data storage unit for storing the normal data acquired by the data acquisition unit; a learning unit for generating a learning model by learning based on the normal data stored in the acquired data storage unit; an evaluation unit for performing an evaluation process on the normality or abnormality of operation of the industrial machine using the learning model; a verification data generation unit for generating verification data including at least one abnormal data item based on the normal data stored in the acquired data storage unit; and a checking unit for checking the validity of the learning model after receiving the result of an evaluation process performed by the evaluating unit using the learning model on the basis of the checking data.
Nach der Erfindung ist es möglich, die Gültigkeit eines Modells, das unter Verwendung normaler Daten, die während des normalen Betriebs detektiert wurden, erzeugt wurde, zu überprüfen.According to the invention, it is possible to check the validity of a model generated using normal data detected during normal operation.
FigurenlisteFigure list
Die obigen und andere Aufgaben und Merkmale der Erfindung werden aus der folgenden Beschreibung von Ausführungsformen unter Bezugnahme auf die beiliegenden Zeichnungen offensichtlich werden.
- 1 ist ein Diagramm, das ein Hardwareaufbaubeispiel für ein Diagnosegerät nach der Erfindung schematisch darstellt;
- 2 ist ein schematisches Funktionsblockdiagramm einer ersten Ausführungsform eines Diagnosegeräts nach der Erfindung;
- 3A und 3B sind Diagramme, die ein Beispiel für das Erzeugen abnormaler Daten durch Hinzufügen eines Impulses darstellen;
- 4A und 4B sind Diagramme, die ein Beispiel für das Erzeugen abnormaler Daten durch Hinzufügen einer Festwertkomponente darstellen;
- 5A und 5B sind Diagramme, die ein Beispiel für das Erzeugen von abnormalen Daten durch Hinzufügen einer Komponente ax + b darstellen;
- 6A und 6B sind Diagramme, die ein Beispiel für das Erzeugen von abnormalen Daten aufgrund eines Datenwertfehlers darstellen;
- 7A und 7B sind Diagramme, die ein Beispiel für das Erzeugen von abnormalen Daten aufgrund eines Abtastfehlers darstellen; und
- 8A und 8B sind Diagramme zur Erläuterung eines Problems der Erzeugung eines Modells für die Betriebsdiagnose einer Industriemaschine.
The above and other objects and features of the invention will become apparent from the following description of embodiments with reference to the accompanying drawings. - 1 Fig. 13 is a diagram schematically showing a hardware configuration example of a diagnostic apparatus according to the invention;
- 2 Fig. 3 is a schematic functional block diagram of a first embodiment of a diagnostic device according to the invention;
- 3A and 3B Fig. 13 are diagrams showing an example of generating abnormal data by adding a pulse;
- 4A and 4B Fig. 13 are diagrams showing an example of generating abnormal data by adding a fixed value component;
- 5A and 5B Fig. 13 are diagrams showing an example of generating abnormal data by adding a component ax + b;
- 6A and 6B Fig. 13 are diagrams showing an example of abnormal data generation due to data value error;
- 7A and 7B Fig. 13 are diagrams showing an example of abnormal data generation due to a sampling error; and
- 8A and 8B are diagrams for explaining a problem of generating a model for the operation diagnosis of an industrial machine.
AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMENDETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS
Unter Bezugnahme auf die Zeichnungen wird nachstehend eine Ausführungsform der Erfindung beschrieben werden.An embodiment of the invention will be described below with reference to the drawings.
1 ist ein Diagramm, das ein Hardwareaufbaubeispiel, das einen Hauptabschnitt eines Diagnosegeräts nach der Erfindung zeigt, schematisch darstellt. Beispielsweise kann ein Diagnosegerät 1 der Erfindung als Steuerung zum Steuern einer Industriemaschine auf Basis eines Steuerprogramms implementiert werden. Zudem kann das Diagnosegerät 1 der Erfindung an einem Personal Computer, der in einer Steuerung zum Steuern einer Industriemaschine auf Basis eines Steuerprogramms eingerichtet ist, einem Personal Computer, der über ein drahtgebundenes/drahtloses Netzwerk an die Steuerung angeschlossen ist, einem Zellencomputer, einem Fog-Computer 6 oder einem Cloud-Server 7 implementiert werden. Bei der vorliegenden Ausführungsform wird ein Beispiel gezeigt, bei dem das Diagnosegerät 1 an einem Personal Computer, der über ein Netzwerk an eine Steuerung angeschlossen ist, implementiert ist. 1 Fig. 13 is a diagram schematically showing a hardware configuration example showing a main portion of a diagnostic apparatus according to the invention. For example, a diagnostic device 1 of the invention can be implemented as a controller for controlling an industrial machine on the basis of a control program. In addition, the diagnostic device 1 the invention on a personal computer which is set up in a controller for controlling an industrial machine on the basis of a control program, a personal computer which is connected to the controller via a wired / wireless network, a cell computer, a fog computer 6th or a cloud server 7th implemented. In the present embodiment, an example is shown in which the diagnostic device 1 on a personal computer connected to a controller via a network.
Eine zentrale Verarbeitungseinheit (CPU) 11, die in dem Diagnosegerät 1 nach der vorliegenden Offenbarung vorhanden ist, ist ein Prozessor, der so ausgebildet ist, dass er das Diagnosegerät 1 als Ganzes steuert. Die CPU 11 liest ein Systemprogramm, das in einem Nurlesespeicher (ROM) 12 gespeichert ist, über einen Bus 22, um das gesamte Diagnosegerät 1 gemäß dem Systemprogramm zu steuern. Ein Direktzugriffsspeicher (RAM) 13 speichert temporäre Daten für Berechnungen und zur Anzeige, verschiedene Daten, die von außen eingegeben wurden, und dergleichen vorübergehend.A central processing unit (CPU) 11 that is in the diagnostic device 1 According to the present disclosure, there is a processor which is adapted to run the diagnostic device 1 controls as a whole. The CPU 11 reads a system program stored in read-only memory (ROM) 12th is stored via a bus 22nd to the entire diagnostic device 1 to be controlled according to the system program. A random access memory (RAM) 13th temporarily stores temporary data for calculation and display, various data input from the outside, and the like.
Ein nichtflüchtiger Speicher 14 kann so ausgebildet sein, dass er einen durch eine Batterie (nicht dargestellt) gestützten Speicher, ein Solid-State-Laufwerk (SSD) und dergleichen aufweist. Aufgrund des Aufbaus wird ein Speicherzustand auch dann beibehalten, wenn die Stromversorgung des Diagnosegeräts 1 ausgeschaltet ist. Der nichtflüchtige Speicher 14 speichert Daten, die über eine Schnittstelle 15 von einer externen Vorrichtung 72 gelesen wurden, Daten, die über eine Eingabeeinheit 71 eingegeben wurden, Daten, die von der Industriemaschine über ein Netzwerk 5 erlangt wurden, und andere Daten. Die verschiedenen Daten, die in dem nichtflüchtigen Speicher 14 gespeichert wurden, können während der Ausführung/Verwendung in den RAM 13 geladen werden. Zudem wurden vorab verschiedene Systemprogramme wie etwa bekannte Analyseprogramme in den ROM 12 geschrieben.A non-volatile memory 14th may be configured to include battery (not shown) backed memory, solid state drive (SSD), and the like. Due to the structure, a memory state is retained even when the power supply to the diagnostic device is switched on 1 is turned off. The non-volatile memory 14th stores data via an interface 15th from an external device 72 have been read, data transmitted via an input unit 71 entered data received from the industrial machine over a network 5 and other data. The various data that are in non-volatile memory 14th can be saved to RAM during execution / use 13th getting charged. In addition, various system programs such as well-known analysis programs have been set in the ROM in advance 12th written.
Die Schnittstelle 15 ist eine Komponente, die bereitgestellt ist, um die CPU 11 in dem Diagnosegerät 1 mit der externen Vorrichtung 72 wie etwa einer USB-Vorrichtung zu verbinden. Von Seiten der externen Vorrichtung 72 her können zum Beispiel Daten im Zusammenhang mit dem Betrieb jeder Industriemaschine gelesen werden. Zudem können über die Schnittstelle 15 Programme, Einstelldaten und so weiter, die in dem Diagnosegerät 1 bearbeitet wurden, in einer externen Speichervorrichtung oder einem ähnlichen Mittel gespeichert werden.the interface 15th is a component that is provided to the CPU 11 in the diagnostic device 1 with the external device 72 such as a USB device. On the part of the external device 72 For example, data relating to the operation of any industrial machine can be read. In addition, via the interface 15th Programs, setting data and so on that are in the diagnostic device 1 edited, stored in an external storage device or similar means.
In dem Diagnosegerät 1 ist eine Schnittstelle 20 eine Komponente, die bereitgestellt ist, um die CPU in dem Gerät 1 und das drahtgebundene oder drahtlose Netzwerk 5 miteinander zu verbinden. An das Netzwerk 5 können Industriemaschinen 3, ein Fog-Computer, ein Cloud-Server und andere Vorrichtungen angeschlossen sein, wodurch Daten zwischen dem Diagnosegerät 1 und den verschiedenen Vorrichtungen, die an das Netzwerk 5 angeschlossen sind, ausgetauscht werden.In the diagnostic device 1 is an interface 20th a component that is provided to the CPU in the device 1 and the wired or wireless network 5 to connect with each other. To the network 5 can industrial machines 3 , a fog computer, a cloud server and other devices can be connected, sharing data between the diagnostic device 1 and the various devices connected to the network 5 are connected.
Jedes Datenelement, das in den Speicher gelesen wurde, Daten, die als Ergebnis der Ausführung eines Programms erhalten wurden, Daten, die von einer später beschriebenen Maschinenlernvorrichtung 100 erhalten wurden, und ähnliche Daten, werden über eine Schnittstelle 17 ausgegeben und an einer Anzeige 70 angezeigt. Zudem liefert die Eingabeeinheit 71, die mit einer Tastatur, einer Zeigevorrichtung oder dergleichen versehen ist, Befehle, Daten und so weiter, die auf einer Betätigung durch einen Betreiber beruhen, über eine Schnittstelle 18 an die CPU 11.Each data item read into the memory, data obtained as a result of executing a program, data obtained by a machine learning device described later 100 and similar data are obtained via an interface 17th issued and on a display 70 displayed. In addition, the input unit delivers 71 provided with a keyboard, a pointing device or the like, commands, data and so on based on an operation by an operator through an interface 18th to the CPU 11 .
In dem Diagnosegerät 1 ist eine Schnittstelle 21 eine Komponente, die bereitgestellt ist, um die CPU 11 und die Maschinenlernvorrichtung 100 miteinander zu verbinden. Die Maschinenlernvorrichtung 100 weist einen Prozessor 101 zum Steuern der gesamten Maschinenlernvorrichtung 100, einen ROM 102, um insbesondere Systemprogramme zu speichern, einen RAM 103 zum vorübergehenden Speichern in jedem Prozess im Zusammenhang mit dem maschinellen Lernen und einen nichtflüchtigen Speicher 104, der insbesondere beim Speichern eines Lernmodells verwendet wird, auf. Die Maschinenlernvorrichtung 100 kann jedes Informationselement (zum Beispiel Daten, die einen Betriebszustand der Industriemaschine 3 angeben), das durch das Diagnosegerät 1 erlangt werden kann, über die Schnittstelle 21 beobachten. Zudem kann das Diagnosegerät 1 über die Schnittstelle 21 ein von der Maschinenlernvorrichtung 100 ausgegebenes Verarbeitungsergebnis erlangen. Das Diagnosegerät 1 kann das erlangte Ergebnis auch speichern und anzeigen und kann das erlangte Ergebnis ferner über das Netzwerk 5 oder einen ähnlichen Kanal zu einer anderen Vorrichtung übertragen.In the diagnostic device 1 is an interface 21 a component that is provided to the CPU 11 and the machine learning device 100 to connect with each other. The machine learning device 100 assigns a processor 101 for controlling the entire machine learning device 100 , a ROM 102 In order to store system programs in particular, a RAM 103 for temporary storage in any machine learning-related process and non-volatile memory 104 , which is used in particular when saving a learning model. The machine learning device 100 can be any information element (for example, data indicating an operating status of the industrial machine 3 specified) by the diagnostic device 1 can be obtained through the interface 21 observe. In addition, the diagnostic device 1 through the interface 21 one from the machine learning device 100 obtain output processing result. The diagnostic device 1 can also store and display the obtained result, and can furthermore use the obtained result via the network 5 or transmit a similar channel to another device.
2 stellt die Funktionen einer ersten Ausführungsform eines Diagnosegeräts 1 nach der Erfindung als schematisches Funktionsblockdiagramm dar. Jede Funktion der vorliegenden Ausführungsform des Diagnosegeräts 1 wird umgesetzt, indem die in dem in 1 gezeigten Diagnosegerät 1 enthaltene CPU 11 und der in der Maschinenlernvorrichtung 100 enthaltene Prozessor 101 ein Systemprogramm ausführen und einen Betrieb jeder Einheit in dem Diagnosegerät 1 und der Maschinenlernvorrichtung 100 steuern. 2 represents the functions of a first embodiment of a diagnostic device 1 according to the invention as a schematic functional block diagram. Each function of the present embodiment of the diagnostic device 1 is implemented using the in 1 diagnostic device shown 1 included CPU 11 and that in the machine learning device 100 included processor 101 execute a system program and operate each unit in the diagnostic apparatus 1 and the machine learning device 100 Taxes.
Die vorliegende Ausführungsform des Diagnosegeräts 1 weist eine Datenerlangungseinheit 110, eine Modellerzeugungsbefehlseinheit 120, eine Überprüfungsdatenerzeugungseinheit 130 und eine Überprüfungseinheit 140 auf. Zudem weist die in dem Diagnosegerät 1 enthaltene Maschinenlernvorrichtung 100 eine Lerneinheit 106 und eine Bewertungseinheit 108 auf. Darüber hinaus ist in dem RAM 13 und dem nichtflüchtigen Speicher 14 in dem Diagnosegerät 1 vorab eine Erlangte-Daten-Speichereinheit 210 als Bereich zum Speichern von Daten, die durch die Datenerlangungseinheit 110 von der Industriemaschine 3 und ähnlichen Vorrichtungen erlangt wurden, vorbereitet. In dem RAM 103 und dem nichtflüchtigen Speicher 104 in der Maschinenlernvorrichtung 100 ist vorab eine Lernmodellspeichereinheit 109 als Bereich zum Speichern eines Lernmodells, das durch die Lerneinheit 106 erzeugt wurde, vorbereitet.The present embodiment of the diagnostic apparatus 1 has a data acquisition unit 110 , a model creation instruction unit 120 , a verification data generation unit 130 and a verification unit 140 on. In addition, the in the diagnostic device 1 machine learning device included 100 a learning unit 106 and an evaluation unit 108 on. It is also in the RAM 13th and the non-volatile memory 14th in the diagnostic device 1 an acquired data storage unit in advance 210 as an area for storing data obtained by the data acquisition unit 110 from the industrial machine 3 and similar devices have been prepared. In the RAM 103 and the non-volatile memory 104 in the machine learning device 100 is a learning model storage unit in advance 109 as an area for storing a learning model that is used by the learning unit 106 was generated.
Die Datenerlangungseinheit 110 führt ein Systemprogramm aus, das durch die in dem in 1 gezeigten Diagnosegerät 1 enthaltene CPU 11 aus dem ROM 12 gelesen wurde. Die Ausführung eines solchen Programms wird umgesetzt, indem im Wesentlichen eine arithmetische Verarbeitung unter Verwendung des RAM 13 und des nichtflüchtigen Speichers 14 durch die CPU 11 und eine Eingabesteuerverarbeitung durch die Schnittstellen 15, 18 und 20 durchgeführt wird. Die Datenerlangungseinheit 110 erlangt Daten, die während eines normalen Betriebs der Industriemaschine 3 detektiert wurden. Die Datenerlangungseinheit 110 erlangt verschiedene Daten wie etwa Positionsdaten, Geschwindigkeitsdaten, Beschleunigungsdaten und Drehmomentdaten des Motors der Industriemaschine 3 und Geräuschdaten und Bilddaten, die durch einen an der Industriemaschine 3 angebrachten Sensor (nicht gezeigt) detektiert wurden. Die Daten, die durch die Datenerlangungseinheit 110 erlangt werden, können Zeitreihendaten sein. Die Datenerlangungseinheit 110 kann Daten über das Netzwerk 5 direkt von der Industriemaschine 3 erlangen. Die Datenerlangungseinheit 110 kann Daten erlangen, die durch die externe Vorrichtung 72, den Fog-Computer 6, den Cloud-Server 7 und beliebige andere Vorrichtungen erlangt und gespeichert wurden.The data acquisition unit 110 executes a system program that is triggered by the in 1 diagnostic device shown 1 included CPU 11 from the ROM 12th was read. The execution of such a program is implemented by essentially performing arithmetic processing using the RAM 13th and non-volatile memory 14th through the CPU 11 and input control processing through the interfaces 15th , 18th and 20th is carried out. The data acquisition unit 110 acquires data during normal operation of the industrial machine 3 were detected. The data acquisition unit 110 acquires various data such as position data, speed data, acceleration data and torque data of the motor of the industrial machine 3 and sound data and image data generated by an on the industrial machine 3 attached sensor (not shown) were detected. The data received by the data acquisition unit 110 can be time series data. The data acquisition unit 110 can data over the network 5 directly from the industrial machine 3 gain. The data acquisition unit 110 can acquire data by the external device 72 , the fog computer 6th , the cloud server 7th and any other devices obtained and stored.
Die Modellerzeugungsbefehlseinheit 120 führt ein Systemprogramm aus, das durch die in dem in 1 gezeigten Diagnosegerät 1 enthaltene CPU 11 aus dem ROM 12 gelesen wurde. Die Ausführung eines solchen Programms wird umgesetzt, indem im Wesentlichen eine arithmetische Verarbeitung unter Verwendung des RAM 13 und des nichtflüchtigen Speichers 14 durch die CPU 11 und eine Ein-/Ausgabesteuerverarbeitung durch die Schnittstelle 21 durchgeführt wird. Die Modellerzeugungsbefehlseinheit 120 erzeugt gemäß einem Befehl von dem Betreiber über die Eingabeeinheit 71 unter wenigstens teilweiser Verwendung von Daten, die in der Erlangte-Daten-Speichereinheit 210 gespeichert sind, Lerndaten. Die Modellerzeugungsbefehlseinheit 120 befiehlt ferner der Maschinenlernvorrichtung 100, auf Basis der erzeugten Lerndaten ein Lernmodell zu erzeugen. Die Modellerzeugungsbefehlseinheit 120 kann der Maschinenlernvorrichtung 100 befehlen, ein einzelnes Lernmodell zu erzeugen. Alternativ kann die Modellerzeugungsbefehlseinheit 120 der Maschinenlernvorrichtung 100 befehlen, mehrere Lernmodelle zu erzeugen. In diesem Fall kann die Modellerzeugungsbefehlseinheit 120 durch wiederholtes Extrahieren einer vorherbestimmen Anzahl von Datenelementen zum Beispiel unter Verwendung einer Zufallszahl aus den Daten, die in der Erlangte-Daten-Speichereinheit 210 gespeichert sind, mehrere unterschiedliche Datensätze erzeugen. Wenn die Modellerzeugungsbefehlseinheit 120 unter Verwendung der Zufallszahl usw. mehrere unterschiedliche Datensätze erzeugt, kann die Modellerzeugungsbefehlseinheit 120 der Maschinenlernvorrichtung 100 ferner befehlen, unter Verwendung der erzeugten mehreren unterschiedlichen Datensätze mehrere Lernmodelle zu erzeugen.The model creation command unit 120 executes a system program that is triggered by the in 1 diagnostic device shown 1 included CPU 11 from the ROM 12th was read. The execution of such a program is implemented by essentially performing arithmetic processing using the RAM 13th and non-volatile memory 14th through the CPU 11 and input / output control processing by the interface 21 is carried out. The model creation command unit 120 generated according to an instruction from the operator via the input unit 71 using at least part of the data stored in the acquired data storage unit 210 are stored, learning data. The model creation command unit 120 also commands the machine learning device 100 to generate a learning model based on the generated learning data. The model creation command unit 120 can the machine learning device 100 order to generate a single learning model. Alternatively, the model generation command unit 120 the machine learning device 100 order to generate several learning models. In this case, the model generation command unit 120 by repeatedly extracting a predetermined number of data items using, for example, a random number from the data stored in the acquired data storage unit 210 are stored, generate several different data sets. When the model creation command unit 120 generates several different data sets using the random number, etc., the model generation command unit 120 the machine learning device 100 further command to generate multiple learning models using the generated multiple different data sets.
Die in der Maschinenlernvorrichtung 100 enthaltene Lerneinheit 106 führt ein Systemprogramm aus, das durch den in der in 1 gezeigten Maschinenlernvorrichtung 100 enthaltenen Prozessor 101 aus dem ROM 102 gelesen wurde. Die Ausführung eines solchen Programms wird umgesetzt, indem im Wesentlichen eine arithmetische Verarbeitung unter Verwendung des RAM 103 und des nichtflüchtigen Speichers 104 durch den Prozessor 101 durchgeführt wird. Die Lerneinheit 106 erzeugt durch Durchführen eines maschinellen Lernens unter Verwendung der Lerndaten, die von der Modellerzeugungsbefehlseinheit 120 erhalten wurden, ein Lernmodell und speichert das erzeugte Lernmodell dann in der Lernmodellspeichereinheit 109. Das maschinelle Lernen, das von der Lerneinheit 106 durchgeführt wird, ist eine Art des bekannten unüberwachten Lernens. Das Lernmodell, das durch die Lerneinheit 106 erzeugt wird, wird durch Lernen einer Tendenz von normalen Daten, die während des normalen Betriebs der Industriemaschine 3 erlangt wurden, erhalten. Beispiele für das durch die Lerneinheit 106 erzeugte Lernmodell umfassen einen Auto-Encoder (Selbstcodierer).The one in the machine learning device 100 included learning unit 106 executes a system program that is specified by the in 1 machine learning device shown 100 included processor 101 from the ROM 102 was read. The execution of such a program is implemented by essentially performing arithmetic processing using the RAM 103 and non-volatile memory 104 through the processor 101 is carried out. The learning unit 106 generated by performing machine learning using the learning data received from the model creation command unit 120 has obtained a learning model, and then stores the created learning model in the learning model storage unit 109 . The machine learning that comes from the learning unit 106 is a type of known unsupervised learning. The learning model implemented by the learning unit 106 is generated by learning a tendency from normal data obtained during normal operation of the industrial machine 3 obtained. Examples of this through the learning unit 106 generated learning models include an auto-encoder (self-encoder).
Die in der Maschinenlernvorrichtung 100 enthaltene Bewertungseinheit 108 führt ein Systemprogramm aus, das durch den in der in 1 gezeigten Maschinenlernvorrichtung 100 enthaltenen Prozessor 101 aus dem ROM 102 gelesen wurde. Die Ausführung eines solchen Programms wird umgesetzt, indem im Wesentlichen eine arithmetische Verarbeitung unter Verwendung des RAM 103 und des nichtflüchtigen Speichers 104 durch den Prozessor 101 durchgeführt wird. Die Bewertungseinheit 108 führt für das in der Lernmodellspeichereinheit 109 gespeicherte Lernmodell auf Basis eines Befehls von der Überprüfungseinheit 140 einen Bewertungsprozess unter Verwendung von Überprüfungsdaten durch und gibt ein Bewertungsergebnis aus. Die Bewertungseinheit 108 kann einen Bewertungsprozess durch das bekannte unüberwachte Lernen durchführen und als Bewertungsergebnis eine Bewertung wie etwa einen Normalitätsgrad oder einen Abnormalitätsgrad ausgeben.The one in the machine learning device 100 included evaluation unit 108 executes a system program that is specified by the in 1 machine learning device shown 100 included processor 101 from the ROM 102 was read. The execution of such a program is implemented by essentially performing arithmetic processing using the RAM 103 and non-volatile memory 104 through the processor 101 is carried out. The evaluation unit 108 leads for that in the learning model storage unit 109 stored learning model based on an instruction from the verification unit 140 performs an evaluation process using verification data and outputs an evaluation result. The evaluation unit 108 can perform an evaluation process by the known unsupervised learning and output, as an evaluation result, an evaluation such as a degree of normality or a degree of abnormality.
Alternativ kann die Bewertungseinheit 108 als Bewertungsergebnis einen Vektorwert ausgeben, der einen Normalitätsgrad, einen Abnormalitätsgrad oder dergleichen angibt.Alternatively, the evaluation unit 108 output as the evaluation result a vector value indicating a degree of normality, a degree of abnormality or the like.
Die Überprüfungsdatenerzeugungseinheit 130 führt ein Systemprogramm aus, das durch die in dem in 1 gezeigten Diagnosegerät 1 enthaltene CPU 11 aus dem ROM 12 gelesen wurde. Die Ausführung eines solchen Programms wird umgesetzt, indem im Wesentlichen eine arithmetische Verarbeitung unter Verwendung des RAM 13 und des nichtflüchtigen Speichers 14 durch die CPU 11 durchgeführt wird. Die Überprüfungsdatenerzeugungseinheit 130 erzeugt auf Basis der Daten, die in der Erlangte-Daten-Speichereinheit 210 gespeichert sind, Überprüfungsdaten, die wenigstens eine vorherbestimmte Anzahl von abnormalen Datenelementen enthalten. The verification data generation unit 130 executes a system program that is triggered by the in 1 diagnostic device shown 1 included CPU 11 from the ROM 12th was read. The execution of such a program is implemented by essentially performing arithmetic processing using the RAM 13th and non-volatile memory 14th through the CPU 11 is carried out. The verification data generation unit 130 generated on the basis of the data stored in the acquired data storage unit 210 is stored, verification data including at least a predetermined number of abnormal data items.
Wie oben beschrieben wurde, speichert die Erlangte-Daten-Speichereinheit 210 normale Daten, die durch die Datenerlangungseinheit 110 während des normalen Betriebs der Industriemaschine 3 erlangt wurden. Die Überprüfungsdatenerzeugungseinheit 130 erzeugt abnormale Daten, indem sie eine vorherbestimmte Änderung auf diese normalen Daten anwendet. Die Überprüfungsdaten, die durch die Überprüfungsdatenerzeugungseinheit 130 erzeugt wurden, können ein einfacher Satz von abnormalen Daten sein. Alternativ können die Überprüfungsdaten normale Daten und abnormale Daten in einem vorherbestimmten Verhältnis enthalten.As described above, the acquired data storage unit stores 210 normal data received by the data acquisition unit 110 during normal operation of the industrial machine 3 were obtained. The verification data generation unit 130 generates abnormal data by applying a predetermined change to this normal data. The verification data generated by the verification data generation unit 130 can be a simple set of abnormal data. Alternatively, the inspection data may include normal data and abnormal data in a predetermined ratio.
Die Überprüfungsdatenerzeugungseinheit 130 kann abnormale Daten erzeugen, indem sie normalen Daten einen vorherbestimmten Impuls hinzufügt. 3A und 3B zeigen ein Beispiel für die Erzeugung von abnormalen Daten (3B) durch Hinzufügen eines Impulses zu Zeitreihendaten, die normale Daten (3A) sind. Wie in 3A und 3B gezeigt ist, kann die Überprüfungsdatenerzeugungseinheit 130 abnormale Daten erzeugen, in dem sie einem Zeitreihendatenelement einen Impuls hinzufügt oder dem Zeitreihendatenelement mehrere Impulse hinzufügt. Eine Position, an der der Impuls zur Anwendung kommt, kann in dem Befehl des Betreibers angegeben sein oder kann zufällig bestimmt werden. Und was die Größe und die Breite des Impulses betrifft, kann eine Größe, die vermutlich einen normalen Betriebsbereich überschreiten wird, auf Basis der Erfahrung des Betreibers, der die Industriemaschine 3 verwendet, festgelegt werden. Der Impuls kann ein negativer Wert sein. Es ist zu beachten, dass im Fall von Bilddaten als Erzeugungsziel für die abnormalen Daten ein Punkt mit einer vorherbestimmten Farbe und einer vorherbestimmten Größe an einer vorherbestimmten Position hinzugefügt werden kann.The verification data generation unit 130 can generate abnormal data by adding a predetermined pulse to normal data. 3A and 3B show an example of abnormal data generation ( 3B) by adding a pulse to time series data that is normal data ( 3A) are. As in 3A and 3B is shown, the verification data generation unit 130 generate abnormal data by adding one pulse to a time series data item or by adding multiple pulses to the time series data item. A position at which the pulse is applied can be specified in the operator's command or can be determined randomly. And as for the size and width of the pulse, a size that is likely to exceed a normal operating range, based on the experience of the operator of the industrial machine 3 used. The impulse can be a negative value. Note that, in the case of image data, as the generation target for the abnormal data, a dot having a predetermined color and size may be added at a predetermined position.
Die Überprüfungsdatenerzeugungseinheit 130 kann abnormale Daten erzeugen, indem sie normalen Daten eine vorherbestimmte Festwertkomponente (Gleichstromwertkomponente) hinzufügt. 4A und 4B zeigen ein Beispiel für das Erzeugen von abnormalen Daten (4B) durch Hinzufügen einer Festwertkomponente zu Zeitreihendaten, die normale Daten (4A) sind. Was die Größe der Festwertkomponente, die den Zeitreihendaten durch die Überprüfungsdatenerzeugungseinheit 130 hinzugefügt wird, betrifft, kann eine Größe, die vermutlich einen normalen Betriebsbereich überschreiten wird, auf Basis der Erfahrung des Betreibers, der die Industriemaschine 3 verwendet, festgelegt werden. Die Festwertkomponente, die den Zeitreihendaten durch die Überprüfungsdatenerzeugungseinheit 130 hinzugefügt wird, kann ein negativer Wert sein. Es ist zu beachten, dass im Fall von Bilddaten als Erzeugungsziel für die abnormalen Daten eine Farbkomponente des gesamten Bilds um ein vorherbestimmtes Ausmaß verändert werden kann.The verification data generation unit 130 can generate abnormal data by adding a predetermined fixed value component (direct current value component) to normal data. 4A and 4B show an example of generating abnormal data ( 4B) by adding a fixed value component to time series data that is normal data ( 4A) are. As for the size of the fixed value component that the time series data by the verification data generation unit 130 is added, may be a size that is likely to exceed a normal operating range, based on the experience of the operator of the industrial machine 3 used. The fixed value component that the time series data by the verification data generation unit 130 can be a negative value. It should be noted that in the case of image data as the generation target for the abnormal data, a color component of the entire image can be changed by a predetermined amount.
Die Überprüfungsdatenerzeugungseinheit 130 kann abnormale Daten erzeugen, indem sie normalen Daten eine vorherbestimmte Komponente ax + b hinzufügt. 5A und 5B sind ein Beispiel für das Erzeugen von abnormalen Daten (5B) durch Hinzufügen der Komponente ax + b zu Zeitreihendaten, die normale Daten (5A) sind. Was die Koeffizienten a und b der Komponente ax + b, die den Zeitreihendaten durch die Überprüfungsdatenerzeugungseinheit 130 hinzufügt wird, betrifft, kann eine Größe, die vermutlich einen normalen Betriebsbereich überschreiten wird, auf Basis der Erfahrung des Betreibers, der die Industriemaschine 3 verwendet, festgelegt werden. Es ist zu beachten, dass im Fall von Bilddaten als Erzeugungsziel für die abnormalen Daten Farbkomponenten der gesamten Bilddaten im Hinblick auf die Farbabstufung verändert werden können.The verification data generation unit 130 can generate abnormal data by adding a predetermined component ax + b to normal data. 5A and 5B are an example of generating abnormal data ( 5B) by adding the ax + b component to time series data that is normal data ( 5A) are. As for the coefficients a and b of the component ax + b which are the time series data by the verification data generation unit 130 is added, a size that is likely to exceed a normal operating range, based on the experience of the operator of the industrial machine 3 used. It should be noted that in the case of image data as the generation target for the abnormal data, color components of the entire image data can be changed in terms of color gradation.
Die Überprüfungsdatenerzeugungseinheit 130 kann abnormale Daten erzeugen, indem sie normalen Daten eine vorherbestimme Frequenzkomponente hinzufügt. Die Überprüfungsdatenerzeugungseinheit 130 kann abnormale Daten erzeugen, indem sie einem Zeitreihendatenelement eine Frequenzkomponente hinzufügt oder dem Zeitreihendatenelement mehrere Frequenzkomponenten hinzufügt. Was den Frequenzwert und die Größe der Frequenzkomponente betrifft, kann eine Größe, die vermutlich einen normalen Betriebsbereich überschreiten wird, auf Basis der Erfahrung des Betreibers, der die Industriemaschine 3 verwendet, festgelegt werden. Es ist zu beachten, dass im Fall von Bilddaten als Erzeugungsziel für die abnormalen Daten eine Umwandlung durchgeführt werden kann, indem den gesamten Bilddaten eine vorherbestimmte zweidimensionale Frequenzkomponente hinzugefügt wird.The verification data generation unit 130 can generate abnormal data by adding a predetermined frequency component to normal data. The verification data generation unit 130 may generate abnormal data by adding a frequency component to a time series data item or by adding multiple frequency components to the time series data item. As for the frequency value and the magnitude of the frequency component, a magnitude that is likely to exceed a normal operating range can be determined based on the experience of the operator who operates the industrial machine 3 used. Note that, in the case of image data as the generation target for the abnormal data, conversion can be performed by adding a predetermined two-dimensional frequency component to all of the image data.
Die Überprüfungsdatenerzeugungseinheit 130 kann abnormale Daten erzeugen, indem sie normalen Daten einen vorherbestimmten Datenwertfehler hinzufügt. 6A und 6B sind ein Beispiel für das Erzeugen von abnormalen Daten (6B) durch Hinzufügen des Datenwertfehlers zu Zeitreihendaten, die normale Daten (6A) sind. Wie in 6A und 6B gezeigt ist, kann die Überprüfungsdatenerzeugungseinheit 130 abnormale Daten erzeugen, indem sie einem Zeitreihendatenelement einen Datenwertfehler oder mehrere Datenwertfehler hinzufügt. Eine Position, an der der Datenwertfehler zur Anwendung kommt, kann zufällig bestimmt werden oder in dem Befehl des Betreibers angegeben sein. Und was eine Breite des Datenwertfehlers betrifft, kann eine Größe, die vermutlich einen normalen Betriebsbereich überschreiten wird, auf Basis der Erfahrung des Betreibers, der die Industriemaschine 3 verwendet, festgelegt werden. Es ist zu beachten, dass im Fall von Bilddaten als Erzeugungsziel für die abnormalen Daten ein schwarzer oder weißer Punkt mit einer vorherbestimmten Größe an einer vorherbestimmten Position hinzugefügt werden kann.The verification data generation unit 130 can generate abnormal data by adding a predetermined data value error to normal data. 6A and 6B are an example of generating abnormal data ( 6B) by adding the data value error to time series data that is normal data ( 6A) are. As in 6A and 6B is shown, the verification data generation unit 130 produce abnormal data by adding one or more data value errors to a time series data item. A position at which the data value error is applied can be determined randomly or specified in the operator's command. And as for a width of the data value error, an amount that is likely to exceed a normal operating range can be determined based on the experience of the operator who operates the industrial machine 3 used. Note that, in the case of image data, as the generation target for the abnormal data, a black or white point having a predetermined size may be added at a predetermined position.
Die Überprüfungsdatenerzeugungseinheit 130 kann abnormale Daten erzeugen, indem sie normalen Daten einen vorherbestimmten Abtastfehler hinzufügt. 7A und 7B sind ein Beispiel für das Erzeugen von abnormalen Daten (7B) durch Hinzufügen des Abtastfehlers zu Zeitreihendaten, die normale Daten (7A) sind. Wie in 7A und 7B gezeigt ist, kann die Überprüfungsdatenerzeugungseinheit 130 abnormale Daten erzeugen, indem sie einem Zeitreihendatenelement einen Abtastfehler oder mehrere Abtastfehler hinzufügt. Eine Position, an der der Abtastfehler zur Anwendung kommt, kann in dem Befehl des Betreibers angegeben sein oder zufällig bestimmt werden. Und was eine Breite des Abtastfehlers betrifft, kann eine Größe, die vermutlich einen normalen Betriebsbereich überschreiten wird, auf Basis der Erfahrung des Betreibers, der die Industriemaschine 3 verwendet, festgelegt werden.The verification data generation unit 130 can generate abnormal data by adding a predetermined sampling error to normal data. 7A and 7B are an example of generating abnormal data ( 7B) by adding the sampling error to time series data that is normal data ( 7A) are. As in 7A and 7B is shown, the verification data generation unit 130 generate abnormal data by adding one or more sampling errors to a time series data item. A position at which the scanning error is applied can be specified in the operator's command or determined at random. And as for a width of the scanning error, an amount that is likely to exceed a normal operating range can be determined based on the experience of the operator who runs the industrial machine 3 used.
Die Überprüfungsdatenerzeugungseinheit 130 kann die abnormalen Daten, die durch die mehreren oben beschriebenen Verfahren erzeugt wurden, in einem Satz von Überprüfungsdaten enthalten. Alternativ kann die Überprüfungsdatenerzeugungseinheit 130 abnormale Daten durch Kombinieren der mehreren oben beschriebenen Verfahren erzeugen.The verification data generation unit 130 may contain the abnormal data generated by the several methods described above in one set of verification data. Alternatively, the verification data generation unit 130 generate abnormal data by combining the several methods described above.
Die Überprüfungseinheit 140 wird umgesetzt, indem die in dem in 1 gezeigten Diagnosegerät 1 enthaltene CPU 11 ein Systemprogramm, das aus dem ROM gelesen wurde, ausführt und im Wesentlichen arithmetische Verarbeitungen unter Verwendung des RAM 13 und des nichtflüchtigen Speichers 14 ausführt. Die Überprüfungseinheit 140 überprüft unter Verwendung der Überprüfungsdaten, die durch die Überprüfungsdatenerzeugungseinheit 130 erzeugt wurden, die Gültigkeit des Lernmodells, das in der Lernmodellspeichereinheit 109 gespeichert wurde. Die Überprüfungseinheit 140 gibt anschließend ein Überprüfungsergebnis aus.The review unit 140 is implemented using the in 1 diagnostic device shown 1 included CPU 11 executes a system program read from the ROM and basically arithmetic processing using the RAM 13th and non-volatile memory 14th executes. The review unit 140 verified using the verification data generated by the verification data generation unit 130 have been generated, the validity of the learning model stored in the learning model storage unit 109 was saved. The review unit 140 then outputs a check result.
Wenn in der Lernmodellspeichereinheit 109 zum Beispiel ein Lernmodell gespeichert ist, befiehlt die Überprüfungseinheit 140 der Bewertungseinheit, unter Verwendung des Lernmodells eine Bewertung auf Basis der Überprüfungsdaten vorzunehmen, und gibt das Bewertungsergebnis zum Beispiel an die Anzeige 70 aus. Der Betreiber bestimmt die Gültigkeit des Lernmodells, indem er das an die Anzeige 70 ausgegebene Bewertungsergebnis betrachtet. In diesem Fall kann vorab ein vorherbestimmter Bedingungsausdruck festgelegt werden, wonach die Überprüfungseinheit 140 bestimmen kann, dass das Lernmodell ungültig ist, wenn der Bedingungsausdruck nicht erfüllt wird. Wenn die Überprüfungseinheit 140 bestimmt, dass das Lernmodell ungültig ist, kann die Überprüfungseinheit 140 ferner der Modellerzeugungsbefehlseinheit 120 befehlen, erneut ein Lernmodell zu erzeugen. Zudem kann die Überprüfungseinheit 140 einen bekannten Maschinenlernevaluierungswert wie etwa eine ROC-Kurve oder einen AUC-Wert berechnen und den Evaluierungswert an der Anzeige 70 darstellen. Wenn der Betreiber die Darstellung eines derartigen Überprüfungsergebnisses bestätigt und bestimmt, dass ein gültiges Lernmodell erzeugt ist, kann der Betreiber das in der Lernmodellspeichereinheit 109 gespeicherte Lernmodell für die eigentliche Zustandsbestimmung der Industriemaschine verwenden. Wenn im Gegensatz dazu bestimmt wird, dass möglicherweise kein gültiges Lernmodell erzeugt wurde, kann der Betreiber die Modellerzeugungsbefehlseinheit 120 anweisen, erneut ein Lernmodell zu erzeugen.When in the learning model storage unit 109 for example a learning model is stored, the checking unit commands 140 of the evaluation unit to make an evaluation based on the verification data using the learning model, and outputs the evaluation result to the display, for example 70 out. The operator determines the validity of the learning model by referring to the ad 70 output evaluation result is considered. In this case, a predetermined conditional expression can be set in advance, after which the checking unit 140 can determine that the learning model is invalid if the conditional expression is not met. When the verification unit 140 determines that the learning model is invalid, the verification unit 140 further the model generation command unit 120 order to generate a learning model again. In addition, the checking unit 140 calculate a known machine learning evaluation value such as an ROC curve or an AUC value and the evaluation value on the display 70 represent. When the operator confirms the presentation of such a check result and determines that a valid learning model has been generated, the operator can do so in the learning model storage unit 109 use stored learning model for the actual determination of the state of the industrial machine. On the contrary, when it is determined that a valid learning model may not have been created, the operator may use the model creation command unit 120 instruct to generate a learning model again.
Wenn in der Lernmodellspeichereinheit 109 zum Beispiel mehrere Lernmodelle gespeichert sind, kann die Überprüfungseinheit 140 der Bewertungseinheit 108 befehlen, unter Verwendung jedes Lernmodells eine Bewertung auf Basis der Überprüfungsdaten durchzuführen, um aus den Ergebnissen der Bewertung, die durch die Bewertungseinheit 108 erhalten wurden, ein Lernmodell, das ein durchschnittliches Bewertungsergebnis ergibt, als gültiges Lernmodell zu wählen. Der Durchschnitt der Bewertungsergebnisse bedeutet, dass das Bewertungsergebnis, das durch Eingeben der Überprüfungsdaten in das Lernmodell erhalten wurde, einen Mittelwert zeigt, der nicht deutlich von den Bewertungsergebnissen anderer Lernmodelle verschoben ist. Zum Beispiel drückt die Überprüfungseinheit 140 mehrere Bewertungsergebnisse, die durch Verwenden mehrerer Überprüfungsdatenelemente unter Verwendung eines Lernmodells erhalten wurden, als einen multidimensionalen Vektor aus. Als nächstes führt die Überprüfungseinheit 140 an den Bewertungsergebnissen der mehreren multidimensionalen Vektoren, die von den jeweiligen Lernmodellen erhalten wurden, einen allgemein bekannten Ausreißertest durch. Auf diese Weise kann die Überprüfungseinheit 140 ein anderes Lernmodell als ein Lernmodell, dessen Bewertungsergebnis einen Ausreißer ergibt, als gültiges Lernmodell, das ein verhältnismäßig durchschnittliches Bewertungsergebnis ergibt, verwenden. Zudem kann die Überprüfungseinheit 140 zum Beispiel mehrere Bewertungsergebnisse, die durch Verwenden mehrerer Überprüfungsdatenelemente unter Verwendung eines Lernmodells erhalten wurden, als einen multidimensionalen Vektor ausdrücken. Die Überprüfungseinheit 140 kann ein Lernmodell, bei dessen Bewertungsergebnis eine Entfernung von einem Durchschnittsvektor der Folgerungsergebnisse von mehreren multidimensionalen Vektoren, die von jedem Lernmodell erhalten wurden, klein ist, als gültiges Lernmodell, das ein verhältnismäßig durchschnittliches Bewertungsergebnis ergibt, wählen. Die Überprüfungseinheit 140 kann automatisch das Lernmodell, das das durchschnittlichste Bewertungsergebnis ergibt, als Lernmodell wählen, oder einige Lernmodelle, die ein verhältnismäßig durchschnittliches Bewertungsergebnis zeigen, an die Anzeige 70 ausgeben, damit der Betreiber ein gültiges Lernmodell aus den ausgegebenen Lernmodellen wählen kann.When in the learning model storage unit 109 for example several learning models are stored, can the verification unit 140 the valuation unit 108 command, using each learning model, to perform an assessment based on the verification data in order to obtain from the results of the assessment made by the assessment unit 108 were obtained to choose a learning model that gives an average assessment result as a valid learning model. The average of the evaluation results means that the evaluation result obtained by inputting the verification data into the learning model shows an average value which is not significantly shifted from the evaluation results of other learning models. For example, the verification unit presses 140 a plurality of evaluation results obtained by using a plurality of pieces of verification data using a learning model as a multi-dimensional vector. Next up is the verification unit 140 a well-known outlier test on the evaluation results of the multiple multidimensional vectors obtained from the respective learning models. In this way, the verification unit 140 use a different learning model than a learning model whose evaluation result gives an outlier as a valid learning model which gives a relatively average evaluation result. In addition, the checking unit 140 for example, express a plurality of evaluation results obtained by using a plurality of pieces of verification data using a learning model as a multi-dimensional vector. The review unit 140 may select a learning model whose evaluation result a distance from an average vector of the inference results of plural multidimensional vectors obtained from each learning model is small as a valid learning model which gives a relatively average evaluation result. The review unit 140 can automatically select the learning model that gives the most average evaluation result as the learning model, or some learning models that show a relatively average evaluation result to the display 70 output so that the operator can choose a valid learning model from the learning models issued.
Nachstehend wird eine schematische Beschreibung einer alternativen Ausführungsform, die durch das Diagnosegerät der Erfindung eingesetzt werden kann, gegeben werden. Neben einem Einstellen von Werten wie etwa der Größe des Impulses oder der Festwertkomponente oder des Frequenzwerts oder der Größe der Frequenzkomponente zur Zeit der Erzeugung der abnormalen Daten aus den normalen Daten auf Werte, die auf der Erfahrung des Betreibers beruhen, kann die Überprüfungsdatenerzeugungseinheit 130, die in der alternativen Ausführungsform des Diagnosegeräts 1 enthalten ist, dann, wenn zum Beispiel in dem Fog-Computer, dem Cloud-Server oder dergleichen eine geringe Menge an abnormalen Daten gespeichert ist, die abnormalen Daten analysieren, um die Größe der Impulsdaten und der Festwertdaten, den Frequenzwert und die Größe der Frequenzkomponente und dergleichen, die als abnormal detektiert werden sollen, zu bestimmen und zu verwenden. Es ist schwierig, eine große Menge an abnormalen Daten zu sammeln. Es ist jedoch möglich, an einem Netzwerk, an das viele Industriemaschinen 3 angeschlossen sind, eine geringe Anzahl von abnormalen Daten zu sammeln. Daher ist es durch Analysieren und Verwenden der Tendenz von Impulsen, Festwertkomponenten und Frequenzkomponenten, die aus einer geringen Anzahl von abnormalen Daten als abnormal detektiert wurden, möglich, die Notwendigkeit einer Einstellung auf Basis der Erfahrung des Betreibers zu beseitigen.A schematic description of an alternative embodiment which may be employed by the diagnostic apparatus of the invention will now be given. In addition to setting values such as the size of the pulse or the fixed value component or the frequency value or the size of the frequency component at the time of generating the abnormal data from the normal data to values based on the operator's experience, the verification data generation unit can 130 in the alternative embodiment of the diagnostic device 1 is included, for example, when a small amount of abnormal data is stored in the fog computer, cloud server or the like, analyze the abnormal data to determine the size of the pulse data and the fixed value data, the frequency value and the size of the frequency component and the like to be detected as abnormal and use. It is difficult to collect a large amount of abnormal data. However, it is possible to join a network that has many industrial machines 3 are connected to collect a small number of abnormal data. Therefore, by analyzing and using the tendency of pulses, fixed value components and frequency components detected as abnormal from a small number of abnormal data, it is possible to eliminate the need for adjustment based on the operator's experience.
Die vorliegende Ausführungsform des Diagnosegeräts 1 mit dem oben beschriebenen Aufbau nimmt an normalen Daten, die während eines normalen Betriebs der Industriemaschine 3 erlangt wurden, eine vorherbestimmte Änderung vor, um abnormale Daten zu erzeugen, wodurch Daten erzeugt werden, die bei der Überprüfung eines Lernmodells verwendet werden. Aus diesem Grund ist es nicht nötig, eine vorherbestimmte Anzahl von abnormalen Datenelementen, deren Sammlung schwierig ist, zu sammeln. so dass die Gültigkeit des Lernmodells leicht überprüft werden kann.The present embodiment of the diagnostic apparatus 1 with the structure described above assumes normal data generated during normal operation of the industrial machine 3 have been obtained, a predetermined change to generate abnormal data, thereby generating data to be used in checking a learning model. For this reason, it is not necessary to collect a predetermined number of abnormal data items that are difficult to collect. so that the validity of the learning model can be easily checked.
Obwohl oben einige Ausführungsformen der Erfindung beschrieben wurden, ist die Erfindung nicht nur auf die oben angeführten Ausführungsformen beschränkt. Die Erfindung kann durch Vornehmen passender Änderungen auf verschiedene Weisen ausgeführt werden.Although some embodiments of the invention have been described above, the invention is not limited only to the embodiments mentioned above. The invention can be carried out in various ways by making appropriate changes.
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent literature cited
-
JP 6453504 B1 [0003]JP 6453504 B1 [0003]
